(9条消息) python提高照片分辨率怎么调 / 四六文摘

在好莱坞的犯罪电影中，我们经常看到侦探们在电脑高手的帮助下进行破案，他们可以从模糊、低质量的图像中发现隐藏的信息。在技术上，电影中的黑魔法被称为(SISR)

在各种SISR应用中，汽车牌照的超分辨率以其巨大的潜力绝对名列前茅。例如，它可以用于执法，还可用于提高车牌识别和街道识别(地图服务)的准确性。

在本文中，我将向大家介绍我是如何使用Python实现车牌图像增强的。

展示

在深入探讨模型体系结构和训练策略细节之前，先展示一下模型的能力，通过下方图片可以直观感受：

在逃逸事故案例中往往存在这样一个问题：车牌照片是在黑暗条件下由低质量摄像头拍摄的。针对此问题，我们的模型不仅可以实现提高分辨率，还可以通过对图像进行去噪、调整亮度和对比度来增强车牌号的易读性。

系统架构

预处理

我们在本项目中使用的数据集为中国城市停车场数据集CCPD，它包含了200k+个不同条件下的汽车图像。但是原始数据不能被直接使用，因为我们只需要车牌图像而不是街景和汽车，因此第一步是使用数据集提供的标注从图像中裁剪出车牌图像。

另外，我们还过滤掉了亮度和对比度差的图像，只保留优质图片使用。我们人工处理了车牌图像数据(input，label)。其中，输入经过降采样和噪声、同时随机进行亮度和对比度的“破坏性”处理，而标签不变。

模型详细信息

我们的模型受ESRGAN模型的启发。顾名思义，我们的模型通过不断的对抗性训练来获取识别能力——生成器和鉴别器相互对抗。

生成器

我们的生成器建立在两个最先进的模型之上——ESRGAN的RRDB网络和残差密集网络。生成器使用亚像素卷积(在tensorflow中称为tf.depth_to_space，在Pythorch中称为Pixel Shuffle)在低分辨率图像上进行8倍采样。与大部分情况一样，亚像素卷积在我们任务中的作用是将一个大小为10 x 10 x 64的特征映射压缩到另一个深度较浅的较大特征映射(如果上采样率为8，则为80 x 80 x 1)。